HeyGen Voice kontra Cartesia Sonic 3.6: mistrz klonowanego głosu przeciwko obecnemu liderowi z czasem poniżej 90 ms

HeyGen Voice i Cartesia Sonic 3.6 mają dwa różne twierdzenia o pierwszym miejscu w Artificial Analysis, a całe porównanie tkwi w różnicy między nimi. HeyGen Voice prowadzi w arenie Controlled Voice z wynikiem 1,202 Elo — zestawieniu, w którym każdy model mówi tymi samymi ośmioma sklonowanymi głosami, czterema z USA i czterema z Wielkiej Brytanii. Cartesia Sonic 3.6 jest czwarta w arenie Provider Voices z 1,280 Elo, gdzie każdy dostawca dostarcza własne natywne głosy, a strona samej Cartesii nosi plakietkę twierdzącą o rankingu #1 zarówno w Speech Arena, jak i w tabeli liderów Speech to Text — twierdzenie prezentowane przez dostawcę, którego bieżąca tabela Artificial Analysis obecnie nie potwierdza na najwyższej pozycji. Jeden silnik wygrywa test, w którym głos jest stały, drugi prowadzi w teście, w którym liczy się rzeczywisty budżet produkcyjny.

Zacznij od tego, do czego każdy model jest faktycznie zoptymalizowany

Sonic 3.6 został stworzony do wykorzystania w strumieniu. Własna strona produktu Cartesia zaczyna się od „pierwszego audio w mniej niż 90 ms” — raportowanego przez dostawcę, nieodtworzonego — a ta sama strona opisuje API TTS w czasie rzeczywistym z pełnoprawnym strumieniowaniem. Obejmuje 44 języki z jednego modelu, domyślnie interpretuje podtekst emocjonalny, przyjmuje sygnały niewerbalne, takie jak śmiech zapisany w transkrypcji, klonuje głos na podstawie około dziesięciu sekund nagrania, lokalizuje istniejące audio na inne języki i przyjmuje własne słowniki wymowy dla terminów dziedzinowych i nazw własnych. Każda z tych funkcji jest skierowana do tego samego klienta: czegoś, co odpowiada szybko, w języku zrozumiałym dla dzwoniącego.

HeyGen Voice został stworzony po to, by odbierać go jako występ. To wewnętrzny silnik HeyGen, udostępniany przez API v3 tej firmy, z ponad 300 gotowymi głosami w kilkudziesięciu językach i trzema ścieżkami prowadzącymi do głosu niestandardowego — projektowanie głosu na podstawie opisu, zwracające do trzech uszeregowanych propozycji z promptu o długości do 1000 znaków, natychmiastowe klonowanie z jednego nagrania oraz profesjonalne klonowanie trenowane na co najmniej dwudziestu minutach materiału. Dostrajanie na poziomie pojedynczego żądania obejmuje szybkość od 0,5 do 1,5 oraz wysokość w zakresie ±50 półtonów. Żadne z publikowanych materiałów HeyGen nie obiecuje jakiegokolwiek wskaźnika opóźnienia.

Ta asymetria to sedno całego artykułu. Jeden model publikuje liczbę milisekund, ale nie publikuje ceny za znak; drugi publikuje cenę, ale nie publikuje liczby opóźnienia.

Tablica wyników

• Kontrolowane Elo głosu (te same 8 sklonowanych głosów) — HeyGen Voice: 1202, #1 z 42. Sonic 3.6: 1143, #5.

• Elo głosów dostawców (głosy natywne) — HeyGen Voice: niesklasyfikowany, niewystarczająca liczba głosów. Sonic 3.6: 1,280, #4 z 96.

• Opublikowana cena — Sonic 3.6: 49,00 USD za 1 mln znaków, cennik stawek dostawcy. HeyGen Voice: 30,00 USD za 1 mln znaków na podstawie własnego przeliczenia cennika kredytów HeyGen przez arenę; HeyGen sam nie publikuje stawki za głos.

• Opóźnienie — Sonic 3.6: poniżej 90 ms do pierwszego dźwięku (według dostawcy, nieodtworzone). HeyGen Voice: żadna wartość nie została opublikowana przez dostawcę ani zmierzona przez Artificial Analysis.

• Języki — Sonic 3.6: 44 z jednego modelu. HeyGen Voice: ponad 300 głosów w „dziesiątkach języków”, bez podania dokładnej liczby.

• Ścieżka własnego głosu — Sonic 3.6: klon w ~10 sekund. HeyGen Voice: projektowanie głosu na podstawie opisu tekstowego, natychmiastowy klon lub profesjonalny klon wytrenowany na ponad 20 minutach.

Różnica Elo, odczytana poprawnie

Przewaga 59 punktów w kontrolowanej arenie zamienia się w 137-punktową stratę na tablicy dostawców, a ta odwrotność nie jest sprzecznością. Kontrolowana tablica odbiera dostawcy możliwość wyboru pochlebnego głosu i sprawdza, jak silnik radzi sobie z głosem, którego nie wybrał. Wygrywa to HeyGen Voice. Tablica dostawców sprawdza, jak dobrze brzmią najlepsze głosy samego dostawcy, co jest bliższe temu, co klient słyszy podczas pokazu handlowego — a Sonic 3.6 wypada tam dobrze: czwarty spośród dziewięćdziesięciu sześciu i 38 punktów za zajmującym pierwsze miejsce Eleven v4 Turbo.

Żadna z tych liczb nie jest uniwersalną prawdą. Jeśli klonujesz konkretną osobę i potrzebujesz, aby silnik odtworzył tę osobę przekonująco, lepszym predyktorem jest wynik kontrolowany, a HeyGen Voice obecnie prowadzi w tej kategorii. Jeśli wybierasz głos z biblioteki dla agenta, który musi brzmieć charakterystycznie na dużą skalę, lepszym predyktorem jest wynik dostawcy, a Sonic 3.6 ma pozycję w rankingu tam, gdzie HeyGen Voice nie ma żadnej.

Warto zauważyć dla każdego, kto posługuje się starszymi danymi: obie te tabele zmieniają się w miarę gromadzenia głosów. Wcześniej w 2026 r. informowano, że Sonic 3.6 samodzielnie prowadzi w tabeli kontrolowanego głosu; obecna tabela plasuje go tam na piątym miejscu z wynikiem 1143, a wyżej znajdują się HeyGen Voice, Qwen-Audio-3.1-TTS-Plus oraz dwa poziomy Eleven v4. Cytowanie rankingu to znacznik czasu, a nie trwała właściwość modelu.

Gdzie porównanie cen zawodzi

Stawka $49.00 za milion znaków w Sonic 3.6 to własna cena referencyjna areny, zaczerpnięta z opublikowanej przez dostawcę stawki API przy ustawieniach domyślnych. Dzięki temu pięciocyfrowy miesięczny rachunek za audio można obliczyć, zanim napiszesz choćby jedną linię kodu integracyjnego.

Liczba HeyGen jest bardziej miękka, ale istnieje. Tabela cen areny podaje HeyGen Voice jako 30,00 USD za milion znaków — o dziewiętnaście dolarów mniej niż Sonic 3.6 — a ta wartość to przeliczenie cen kredytów HeyGen dokonane przez Artificial Analysis, a nie stawka publikowana przez HeyGen. Własna strona HeyGen sprzedaje kredyty (Creator za 29 USD/miesiąc za 600 kredytów, Pro za 49 USD za 1000, Business za 149 USD za 1500) i wprost stwierdza, że zużycie zależy od modelu, czasu trwania i złożoności generowania, nigdy jednak nie przeliczając tych kredytów na znaki. Zatem model, który wygrywa ranking kontrolowanego głosu, jest wyceniony znacznie poniżej tego, który zajmuje piąte miejsce, a ta różnica to liczba wyliczona, którą warto potwierdzić na podstawie własnego tekstu, a nie cennik, który można zweryfikować.

To nie jest argument przeciwko HeyGen Voice. To argument za przetestowaniem go na ruchu, którego pomiar możesz sobie pozwolić, ponieważ jedynym sposobem, aby poznać jego rzeczywisty koszt w twoim pipeline, jest przepuszczenie przez niego własnego tekstu.

Wybór między nimi

Wybierz Sonic 3.6, gdy głos musi odpowiedzieć. Deklaracja pierwszego audio poniżej 90 ms, API natywne dla streamingu, 44 języki z jednego modelu i — co kluczowe — opublikowany cennik czynią go wyborem produkcyjnym o niższym ryzyku dla agentów konwersacyjnych, IVR i wszystkiego, gdzie pauza to błąd. Jego 5. miejsce w rankingu głosów kontrolowanych jest godne uznania, a nie słabością, a czwarte miejsce w szerszym zestawieniu to najsilniejszy niezależny sygnał, jaki niesie którykolwiek z tych dwóch modeli.

Przetestuj najpierw HeyGen Voice, gdy głos musi się wykazać. Narracja, treści czytane dla marek, praca z postaciami i każdy projekt, w którym klonujesz jednego mówcę i potrzebujesz, aby klon tego mówcy był najlepiej brzmiącym głosem w przekazie — to zadanie, do którego pomiaru skonstruowano kontrolowaną arenę, i to zadanie właśnie wygrał HeyGen Voice. Ścieżka profesjonalnego klonowania wytrenowana na ponad dwudziestu minutach to zasadniczo inny produkt niż dziesięciosekundowy klon natychmiastowy, i to ona odpowiada ośmiu sklonowanym głosom referencyjnym w arenie.

Nie wybieraj żadnego z nich tylko na podstawie jednej liczby Elo. Te dwa rankingi nie zgadzają się co do tych modeli, co oznacza, że rankingi mówią ci coś prawdziwego: jakość zależy od głosu i obciążenia, a nie od samego silnika.

Uruchamianie obu bez zatwierdzania

Praktyczne wyjście z takiego sporu to przestać traktować go jako decyzję zakupową. Umieść oba silniki za jednym interfejsem, rozdziel ruch i oceń na podstawie własnego audio — kilka linijek narracji i pętla agenta na żywo powiedzą ci więcej niż pięćdziesiąt punktów Elo. OrcaRouter kieruje oba przez jeden klucz API w cenie katalogowej dostawcy, bez marży, więc płacisz według cennika samego dostawcy, a zmiana ceny Sonic 3.6 pojawia się tego samego dnia, a nie przy odnowieniu. Automatyczne przełączanie awaryjne ma tu większe znaczenie niż przy większości podmian modeli, ponieważ dostawca głosu, który zacina się w połowie zdania, jest słyszalny dla dzwoniącego, a DSL routingu pozwala przypiąć jeden silnik do tur wrażliwych na opóźnienia, a drugi do wstępnie renderowanej narracji, bez utrzymywania dwóch integracji.

Co by to rozstrzygnęło

Dwie rzeczy. Opublikowana przez HeyGen stawka za głos rozliczana za znak lub za kredyt sprawiłaby, że kosztowa połowa tego porównania byłaby równie konkretna jak jakościowa połowa, a zebranie przez HeyGen Voice wystarczającej liczby głosów, by wejść do areny Provider Voices, powiedziałoby nam, czy jego przewaga w zakresie kontrolowanego głosu przetrwa zetknięcie z głosami natywnymi — test, który Sonic 3.6 już zdał, zajmując czwarte miejsce na dziewięćdziesiąt sześć. Do tego czasu Sonic 3.6 jest obecnym liderem z ceną i wskaźnikiem opóźnienia, a HeyGen Voice jest pretendentem z lepszymi dowodami w zakresie klonowania głosu i bez kosztu, który można by postawić obok.